Wenn wir über den ökologischen Fußabdruck von KI sprechen, fällt fast immer das Wort Strom. Wasser hingegen taucht kaum auf – dabei beginnt der Verbrauch lange bevor ein Modell überhaupt eine einzige Anfrage beantwortet. Dieser Artikel zeigt, wo Wasser in der KI-Kette verloren geht, warum es so wenig Aufmerksamkeit bekommt und was wir dagegen tun können.
Eine Zahl als Einstieg
Das Training von GPT-3 verbrauchte schätzungsweise 5,4 Millionen Liter Wasser – genug, um 2,7 Millionen Menschen einen ganzen Tag mit Trinkwasser zu versorgen. So schätzt es eine Studie der Gesellschaft für Informatik. Eine beeindruckende Zahl. Und doch: Sie steht selten in den Schlagzeilen. Warum eigentlich?
Warum ist Wasserverbrauch so wenig präsent?
Strom lässt sich messen und abrechnen – er erscheint auf der Rechnung, in CO₂-Bilanzen und in politischen Debatten. Wasser dagegen fließt buchstäblich unsichtbar durch die Infrastruktur. Rechenzentren müssen ihren Energieverbrauch in vielen Ländern bereits offenlegen, einen vergleichbaren Standard für Wasser gibt es bislang nicht.
Hinzu kommt: Der Verbrauch ist räumlich verteilt. Er beginnt in Chipfabriken auf Taiwan, setzt sich in Kühlkreisläufen irgendwo in den USA fort und endet als Dampf in der Atmosphäre. Wasser fehlt auf den Bilanzen, weil niemand verpflichtet ist, es dort einzutragen. Wo und warum wird Wasser gebraucht?
Schritt 1: Die Hardware – bevor der erste Code läuft
Ultra-reines Wasser in der Chipfertigung
Moderne Prozessoren und Speicherchips entstehen in einem der wasserintensivsten Industrieprozesse überhaupt. Für die Reinigung von Wafern wird sogenanntes ultra-reines Wasser benötigt – Wasser, das deutlich sauberer ist als jedes Trinkwasser. Eine einzige Halbleiterfabrik verbraucht täglich mehrere Millionen Liter davon.
Das Problem: Die wichtigsten Chipfertigungszentren der Welt liegen in Regionen mit chronischem Wasserstress. Taiwan, Heimat der TSMC-Werke, erlebt regelmäßig Trockenperioden, in denen Landwirtschaft und Bevölkerung mit der Industrie um dasselbe Wasser konkurrieren. Das Wasser für die Chips kommt damit teilweise direkt aus denselben Quellen wie das Trinkwasser der Anwohnerinnen und Anwohner.
Wohin fließt das Abwasser?
Nach der Nutzung wird das Prozesswasser aufbereitet und teils in Flüsse oder Kläranlagen eingeleitet – jedoch wärmer und mit Rückständen belastet. Die thermische und chemische Veränderung lokaler Gewässer hat Folgen für Ökosysteme, die weit über den Fabrikzaun hinausgehen. Erste Ansätze, in der Fertigung weniger aufwendig gereinigtes Wasser einzusetzen, werden bereits erprobt – sie sind aber noch weit vom Standard entfernt.
Hardware länger nutzen – der unterschätzte Hebel
Jede Verlängerung der Nutzungsdauer eines Servers oder Chips bedeutet: weniger Neuproduktion, weniger Wasserverbrauch in der Fertigung. Modulare, reparierbare Hardware-Konzepte könnten diesen Fußabdruck erheblich reduzieren. Was auf den ersten Blick wie eine technische Randnotiz klingt, ist in Wirklichkeit einer der wirksamsten Hebel – noch bevor ein Rechenzentrum überhaupt ans Netz geht.
Schritt 2: Training und Betrieb der Modelle
Kühlung: Wo Wasser am meisten verdunstet
Rechenzentren erzeugen enorme Wärmemengen. Um Server vor Überhitzung zu schützen, setzen viele Betreiber auf Verdunstungskühlung: Wasser wird zerstäubt oder über Kühltürme geführt – und verdampft dabei in die Atmosphäre. Es kehrt also nicht in den lokalen Wasserkreislauf zurück, sondern verlässt die Region als Dampf.
Der Zielkonflikt: Wasser und Energie stehen sich manchmal im Weg
Hier wird es kompliziert. Verdunstungskühlung ist oft energieeffizienter als rein elektrische Kältemaschinen – verbraucht aber mehr Wasser. Flüssigkeitskühlung in geschlossenen Kreisläufen schont das Wasser, braucht dafür teils mehr Strom. Standorte in kühlen, feuchten Regionen können auf sogenanntes Free Cooling setzen – also einfach kühle Außenluft nutzen – und sparen dabei sowohl Wasser als auch Energie.
Es gibt keine pauschale Antwort. Die optimale Lösung hängt vom Standort, der Jahreszeit und der lokalen Wasserverfügbarkeit ab. Entscheidend ist: Beide Dimensionen müssen gemeinsam betrachtet werden, nicht gegeneinander ausgespielt.
Green Coding: Effizienz als Ressourcenfrage
Wie ein Modell programmiert, trainiert und betrieben wird, beeinflusst direkt, wie viel Rechenleistung – und damit Kühlung – nötig ist. Effizientere Algorithmen, sparsamere Datenverarbeitung und gezieltes Lastmanagement reduzieren indirekt auch den Wasserverbrauch. Das Verschieben rechenintensiver Aufgaben in Zeiten und Regionen mit niedrigerem Energiebedarf ist dabei nicht nur eine Frage des Stroms, sondern eben auch des Wassers.
Kleine, spezialisierte Modelle haben außerdem meistens einen geringeren Fußabdruck als Generalisten – weil sie mit weniger Daten trainiert wurden und im Betrieb weniger Rechenleistung benötigen.
Was kann ich tun?
Für alle: Spezialisierte, fokussierte KI-Tools bevorzugen. Sie wurden meistens mit weniger Daten trainiert und benötigen im Betrieb weniger Ressourcen als allwissende Generalmodelle.
Für Unternehmen: Wasserdaten aktiv einfordern. Fragt KI-Anbieter und Rechenzentren nach ihrem Water Usage Effectiveness (WUE). Was nicht gemessen wird, wird nicht verbessert. Wasser sollte genauso selbstverständlich Teil der Nachhaltigkeitsstrategie sein wie CO₂.
Für die Politik: Standortanreize schaffen. Trainings-Rechenzentren gehören in Regionen mit kühlen Temperaturen und hoher Wasserverfügbarkeit. Anwendungsrechenzentren sollten nah an Nutzenden und Stromquellen liegen. Beides braucht politische Lenkung – und entsprechende Berichtspflichten für Wasserverbrauch.
Und das Wasser – verschwindet es einfach?
Nein. Wasser, das verdunstet, ist nicht weg – es kehrt irgendwann als Niederschlag zurück. Aber: Es kehrt woanders zurück, wärmer, zu einer anderen Zeit, möglicherweise in anderer Menge. Wasser, das als Abwasser zurückgeleitet wird, verändert die Temperatur und Zusammensetzung lokaler Gewässer. Was das konkret bedeutet – für Ökosysteme, Biodiversität und lokale Trinkwasserversorgung – ist Thema eines eigenen Artikels, der demnächst hier erscheint.
Weiterführende Quellen: